Quiz collegato alla guida · Medio Livello
Quiz sui vocoder HiFi-GAN e GAN
Controlla il vocoding da fusione a forma d'onda, la generazione feed-forward, i discriminatori periodici e multi-scala, l'addestramento contraddittorio e le perdite ausiliarie.
Domanda 1 di 8
Qual è il compito principale di un vocoder come HiFi-GAN in una pipeline di sintesi vocale?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è il compito principale di un vocoder come HiFi-GAN in una pipeline di sintesi vocale?
- Trasformare uno spettrogramma mel in una forma d'onda audio grezza
- Conversione del testo grezzo in fonemi
- Allineamento del testo alle durate
- Tradurre il parlato da una lingua all'altra
- Perché HiFi-GAN è molto più veloce del precedente vocoder WaveNet?
- Utilizza un vocabolario più piccolo
- È feed-forward e produce l'intera forma d'onda in un unico passaggio anziché in modo autoregressivo
- Genera campioni uno alla volta in modo più efficiente
- Salta completamente lo spettrogramma
- Cosa aiuta specificamente a catturare il discriminatore multiperiodo di HiFi-GAN?
- Il significato semantico delle parole
- Livelli di rumore di fondo
- Modelli periodici relativi all'altezza del segnale
- L'etichetta del tono emotivo di chi parla
- I vocoder GAN vengono addestrati "in modo contraddittorio". Cosa significa qui?
- Il modello compete con i narratori umani
- Durante la formazione vengono mescolate due lingue
- Il modello viene premiato solo per la velocità, non per la qualità
- Un generatore cerca di ingannare uno o più discriminatori che giudicano se l'audio è reale
- Quale vocoder successivo estende HiFi-GAN per generalizzare meglio a voci, canti e strumenti invisibili?
- GrandeVGAN
- Tacotron
- WaveNet
- BERT
- Quale perdita ausiliaria aiuta a mantenere l'allenamento di HiFi-GAN stabile e fedele all'input?
- Una perdita di traduzione
- Una perdita di ricostruzione dello spettrogramma mel
- Una perdita nella classificazione dei token
- Un segnale di ricompensa di rinforzo
- What does HiFi-GAN’s Multi-Scale Discriminator examine?
- Only the text transcript
- The model’s optimizer state
- Waveforms at several downsampled resolutions
- One mel bin at a time
- Why include a mel-spectrogram reconstruction loss alongside adversarial loss?
- To eliminate the generator
- To make the model autoregressive
- To remove the conditioning mel-spectrogram
- To anchor spectral content while discriminators encourage realistic waveform texture